CN117974933B - 用于盘式制动器卡钳的3d打印模具快速扫描方法 - Google Patents

Abstract

本发明涉及计算机模型设计技术领域，具体涉及一种用于盘式制动器卡钳的3D打印模具快速扫描方法，包括：通过扫描获取三维点云数据，对三维点云数据进行划分确定三维区域；根据三维区域内点云数据量和形状以及相邻数据点之间的距离得到三维区域的密度特征程度；对三维区域进行筛选确定高密度区域；根据高密度区域中每个数据点邻域数据点的曲面分布情况以及邻域特征分布差异得到每个高密度区域中每个数据点的初始特征程度；结合初始特征程度，获取高密度区域中数据点的异常程度；利用所述异常程度进行异常检测，最终获得扫描结果。本发明通过构建异常检测模型，考虑因素较为全面，能有效提高3D模具快速扫描结果的精度。

Description

用于盘式制动器卡钳的3D打印模具快速扫描方法

技术领域

本发明涉及计算机模型设计技术领域，具体涉及一种用于盘式制动器卡钳的3D打印模具快速扫描方法。

背景技术

在制动系统中，盘式制动器卡钳是汽车制动系统中的关键部件之一，直接影响到系统的制动性能和安全性。在盘式制动器卡钳的制造过程中，卡钳的制作往往需要高精度的模具。利用3D打印技术快速获取卡钳部件的模具，并且在浇筑模具之前需要对模具进行质量检测，确保其性能和可靠性。在利用3D打印技术获得盘式制动器卡钳模具后，需要对模具进行质量检测，可以通过对3D打印模型进行快速扫描，进而获取模具的相关参数以获取质量检测结果。

但是，在对3D打印模型进行扫描的过程中，受环境等客观因素的影响，例如由于扫描设备或者反射光的影响，导致扫描获得的数据存在异常，因此对3D打印模型的扫描数据进行异常检测就显得尤为重要。现有常通过异常检测算法对对3D打印模型的点云数据进行异常检测，该方法考虑因素较为单一，仅考虑点云数据的分布进行异常检测，使得异常检测结果较不准确，进而使得快速扫描结果精度较低。

发明内容

为了解决现有方法考虑因素较为单一使得异常检测结果较不准确，进而使得快速扫描结果精度较低的技术问题，本发明的目的在于提供一种用于盘式制动器卡钳的3D打印模具快速扫描方法，所采用的技术方案具体如下：

通过扫描盘式制动器卡钳的3D模型获取三维点云数据，对三维点云数据进行划分确定每个三维区域，所述三维区域中每个数据点对应一个三维点云数据；

根据每个三维区域内点云数据量的分布和对应的三维区域形状分布以及三维区域中相邻数据点之间的距离分布，得到每个三维区域的密度特征程度；根据所述密度特征程度对三维区域进行筛选，确定高密度区域；

根据每个高密度区域中每个数据点的邻域范围内数据点的曲面分布情况以及每个数据点和其他数据点之间的邻域特征分布差异，得到每个高密度区域中每个数据点的初始特征程度；

根据每个数据点与该数据点所在的高密度区域内其他数据点之间的邻域距离分布差异，结合所述初始特征程度，得到每个高密度区域中每个数据点的异常程度；

利用所述异常程度对高密度区域中每个数据点进行异常检测，根据异常检测结果获得盘式制动器卡钳的三维点云数据的扫描结果。

优选地，所述根据每个高密度区域中每个数据点的邻域范围内数据点的曲面分布情况以及每个数据点和其他数据点之间的邻域特征分布差异，得到每个高密度区域中每个数据点的初始特征程度，具体包括：

将任意一个高密度区域中任意一个数据点记为目标数据点，根据目标数据点的邻域内所有数据点的分布情况获取目标数据点的曲率值；

将高密度区域内除目标数据点之外的其他数据点记为参考数据点，分别计算每个参考数据段与目标数据点之间的曲率值的差异，将高密度区域内所有参考数据点对应的曲率值的差异的均值作为目标数据点的初始特征程度。

优选地，所述根据目标数据点的邻域内所有数据点的分布情况获取目标数据点的曲率值具体为：

基于目标数据点的邻域内所有数据点的点云数据进行曲面拟合获得曲面函数，基于曲面函数获取目标数据点对应的曲率值。

优选地，所述根据每个数据点与该数据点所在的高密度区域内其他数据点之间的邻域距离分布差异，结合所述初始特征程度，得到每个高密度区域中每个数据点的异常程度，具体包括：

对于任意一个高密度区域内任意一个数据点，根据数据点与相邻数据点之间的距离分布、高密度区域内其他相邻数据点之间的距离分布得到数据点的调整系数；根据所述调整系数和数据点的初始特征程度得到数据点的异常程度。

优选地，所述数据点的异常程度的获取方法具体为：

其中，表示第m个高密度区域中第n个数据点的异常程度，/>表示第m个高密度区域中第n个数据点与第r个相邻的数据点之间的欧氏距离，R表示在第m个高密度区域中与第n个数据点相邻的数据点的总数量，/>表示在第m个高密度区域中除了第n个数据点之外的第k组两个相邻的数据点之间的欧氏距离，K表示在第m个高密度区域中除了第n个数据点之外每两个相邻的数据点的组合总数量，/>表示预设的超参数，/>表示第m个高密度区域内第n个数据点的初始特征程度，th( )表示双曲正切函数，/>表示以自然数2为底的对数函数。

优选地，所述根据每个三维区域内点云数据量的分布和对应的三维区域形状分布以及三维区域中相邻数据点之间的距离分布，得到每个三维区域的密度特征程度，具体包括：

对于任意一个三维区域，获取三维区域内数据点的总数量记为第一数值，获取三维区域的体积记为第二数值；对三维区域内每两个相邻的数据点之间的欧氏距离的均值进行负相关归一化处理得到第三数值，将第一数值与第二数值之间的比值和第三数值之间的乘积作为三维区域的密度特征程度。

优选地，所述根据所述密度特征程度对三维区域进行筛选，确定高密度区域具体为：

将所有三维区域的密度特征程度按照从小到大的顺序进行排列获取密度特征程度序列，计算密度特征程度序列中每个元素与相邻元素之间的差异得到每个元素的差异数据；

将密度特征程度序列中差异数据的最大值对应的元素记为特征元素，将密度特征程度序列中大于特征元素对应的密度特征程度对应的三维区域记为高密度区域。

优选地，所述利用所述异常程度对高密度区域中每个数据点进行异常检测具体为：

对每个高密度区域中每个数据点的异常程度进行归一化处理，将归一化后的异常程度大于预设的异常阈值对应的高密度区域中的数据点作为异常数据点。

优选地，所述根据异常检测结果获得盘式制动器卡钳的三维点云数据的扫描结果具体为：

在盘式制动器卡钳的三维点云数据中将异常检测结果中的异常数据点对应的三维点云数据剔除，获得盘式制动器卡钳的三维点云数据的扫描结果。

优选地，所述对三维点云数据进行划分确定每个三维区域具体为：

对3D模型的三维点云数据进行连通域分析获得每个三维区域。

本发明实施例至少具有如下有益效果：

本发明首先通过扫描盘式制动器卡钳的3D模型获取三维点云数据，并通过数据划分获取数据点构成的每个三维的连通区域，以便后续可以针对局部空间范围内的数据分布情况对3D模型的扫描数据的异常程度进行量化。然后，考虑了每个三维区域内的数据量、形状以及数据点之间的距离分布三个方面的因素，获得密度特征程度，表征了三维区域内数据分布密度的特征程度。并基于密度特征程度对三维区域进行筛选，对密度较高的三维区域进行标记，以便进一步分析较高密度分布对应的三维区域内存在异常的噪声数据的分布情况。进一步的，通过分析高密度区域中每个数据点的邻域范围内数据点的曲面分布情况以及每个数据点和其他数据点之间的邻域特征分布差异，对数据点的初始特征程度进行量化，初步表征了数据点存在异常的可能性。其次，在初步特征程度的基础上，又考虑了每个数据点与该数据点所在的高密度区域内其他数据点之间的邻域距离分布差异，考虑因素更加全面，使得获得的异常程度能够更加准确的标准出高密度区域中每个数据点存在异常的可能性情况，进而最终获得的异常检测结果也就更加准确，有效提高了3D模具快速扫描结果的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的一种用于盘式制动器卡钳的3D打印模具快速扫描方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种用于盘式制动器卡钳的3D打印模具快速扫描方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种用于盘式制动器卡钳的3D打印模具快速扫描方法的步骤流程图，该方法包括以下步骤：

步骤一，通过扫描盘式制动器卡钳的3D模型获取三维点云数据，对三维点云数据进行划分确定每个三维区域，所述三维区域中每个数据点对应一个三维点云数据。

首先，使用专业的三维扫描设备对盘式制动器卡钳的3D打印模型进行扫描，生成盘式制动器卡钳的3D打印模型的三维点云数据。其中，三维扫描设备可以是激光扫描仪或结构光扫描仪。

然后，对三维点云数据进行划分确定每个三维区域，基于三维点云数据可以将3D模型划分为多个不同的三维区域，可以针对局部空间范围内的数据分布情况对3D模型的扫描数据的异常程度进行量化。在本实施例中，基于三维点云数据对3D打印模型进行连通域分析，连通域提取可以将点云数据分割成不同的连通组件，每个连通组件对应一个三维区域。

步骤二，根据每个三维区域内点云数据量的分布和对应的三维区域形状分布以及三维区域中相邻数据点之间的距离分布，得到每个三维区域的密度特征程度；根据所述密度特征程度对三维区域进行筛选，确定高密度区域。

在实际中3D打印模型在正常情况下的数据密度分布应当是较为均匀的，当3D打印模型中的三维点云数据的分布密度较高时，说明可能出现了扫描错误的数据点，或者可能存在部分多余的噪声数据点，当3D打印模型中的三维点云数据的分布密度较低时，可能是由于扫描仪的误差或物体的特殊几何形状而导致的扫描数据缺失。

基于此，可以首先通过分析每个三维区域内点云数据量的分布和对应的三维区域形状分布以及三维区域中相邻数据点之间的距离分布，对每个三维区域的数据密度分布情况进行量化。具体地，对于任意一个三维区域，获取三维区域内数据点的总数量记为第一数值，获取三维区域的体积记为第二数值；对三维区域内每两个相邻的数据点之间的欧氏距离的均值进行负相关归一化处理得到第三数值，将第一数值与第二数值之间的比值和第三数值之间的乘积作为三维区域的密度特征程度。

在本实施例中，以任意一个为区域为例进行说明，则第i个三维区域的密度特征程度的计算公式可以表示为：

其中，表示第i个三维区域的密度特征程度，/>表示第i个三维区域内包含的数据点的总数量，/>表示第i个三维区域的体积，/>表示第i个三维区域中第x组相邻的数据点之间的欧氏距离，/>表示第i个三维区域内每两个相邻的数据点的组合数量，exp( )表示以自然常数e为底的指数函数。

为第一数值，/>为第二数值，/>反映了第i个三维区域内点云数据的数据量分布密度，三维区域内的数据点数量越多，三维区域的体积越小，该比值越大，说明三维区域内的数据点密度分布较高，即点云数据分布密度越高，对应的密度特征程度的取值越大。

反映了三维区域内数据点之间的距离分布密度，该取值越小说明在三维区域内每相邻的两个数据点之间的距离越近，进而说明数据点之间的分布越密集，对应的第三数值/>的取值越大，密度特征程度的取值越大。

通过分析三维区域内的数据点数量的密度分布情况以及数据点的距离密度分布情况，反映了每个三维区域内数据分布密度的特征程度，三维区域的密度特征程度的取值越大，说明三维区域内的点云数据的密度分布越大。

进一步的，通过每个三维区域表征的数据密度分布情况，可以对三维区域进行筛选，即根据所述密度特征程度对三维区域进行筛选，确定高密度区域。

具体地，将所有三维区域的密度特征程度按照从小到大的顺序进行排列获取密度特征程度序列，计算密度特征程度序列中每个元素与相邻元素之间的差异得到每个元素的差异数据；将密度特征程度序列中差异数据的最大值对应的元素记为特征元素，将密度特征程度序列中大于特征元素对应的密度特征程度对应的三维区域记为高密度区域。

可以理解的是，在密度特征程度序列中的元素为每个三维区域对应的密度特征程度，在本实施例中，对于密度特征程度序列中第t个元素，将第t个元素与第t-1个元素之间的差值作为第t个元素的差异数据，差异数据反映了密度特征程度序列中相邻元素之间的数据变化程度，进而特征元素表征了密度特征程度序列中相邻元素之间数据变化的最大程度，在特征元素所在位置处表示密度特征程度的取值产生了突变，故将特征元素对应的密度特征程度的取值作为阈值，对所有三维区域进行筛选，可以获得密度较大的三维区域。

当三维区域的密度特征程度大于特征元素对应的密度特征程度时，说明三维区域内的数据分布密度较大，故将该三维区域记为高密度区域。当三维区域的密度特征程度小于或等于特征元素对应的密度特征程度时，说明三维区域内的数据分布密度较小，故将该三维区域记为低密度区域。

步骤三，根据每个高密度区域中每个数据点的邻域范围内数据点的曲面分布情况以及每个数据点和其他数据点之间的邻域特征分布差异，得到每个高密度区域中每个数据点的初始特征程度。

考虑到密度较低的区域可能是由于扫描仪的误差或物体表面的特殊几何形状而导致的数据缺失，密度较高的区域可能表示存在噪声或者过度采样的区域，为了提高3D模具的扫描数据的精度，可以通过对筛选出来的密度较高的高密度区域中可能存在的异常数据点进行分析，进而能够剔除存在异常的数据点，避免了噪声的干扰，提高了扫描数据的精度。

基于此，首先通过分析每个高密度区域中每个数据点的邻域范围内数据点的曲面分布情况以及每个数据点和其他数据点之间的邻域特征分布差异，对每个高密度区域内数据点包含的异常特征进行初步量化。

具体地，将任意一个高密度区域中任意一个数据点记为目标数据点，根据目标数据点的邻域内所有数据点的分布情况获取目标数据点的曲率值；即基于目标数据点的邻域内所有数据点的点云数据进行曲面拟合获得曲面函数，基于曲面函数获取目标数据点对应的曲率值。

其中，在三维区域中每个数据点位置处的曲率值的获取方法是较为常见的。在本实施例中，选择将每个数据点在空间8邻域内的所有数据点对应的点云数据作为数据集进行曲面拟合，获得数据点的曲面函数。

在本实施例中，以高密度区域中任意一个数据点为例进行说明，简单介绍数据点对应的曲率值的获取方法具体为：

其中，表示第u个高密度区域内第v个数据点的曲率值，同时曲面函数是经过极坐标转换的形式，/>表示的是关于x的参数方程的一阶偏导在第v个数据点位置处的取值；/>则表示关于y的参数方程的一阶偏导在第v个数据点位置处的取值；同理，/>表示关于的参数方程的二阶偏导在第v个数据点位置处的取值，/>表示关于y的参数方程的二阶偏导在第v个数据点位置处的取值。

高密度区域中每个数据点的曲率值能够反映数据点邻域范围内数据分布的特征信息，由于3D模具的分布在正常情况下应当是较为均匀的，基于此，在同一个高密度区域内不同数据点之间在邻域范围内的数据分布特征应当是较为接近的，当出现数据分布特征差异较大的情况，说明对应的数据点可能存在异常。

进一步的，对位于同一个高密度区域内的数据点之间的曲率值分布情况进行分析，即将高密度区域内除目标数据点之外的其他数据点记为参考数据点，分别计算每个参考数据段与目标数据点之间的曲率值的差异，将高密度区域内所有参考数据点对应的曲率值的差异的均值作为目标数据点的初始特征程度。

在本实施例中，将第u个高密度区域内第v个数据点作为目标数据点，则第u个高密度区域中除了第v个数据点之外的所有数据点均可以被称为参考数据点，进而目标数据点的初始特征程度的计算公式可以表示为：

其中，表示第u个高密度区域内第v个数据点的初始特征程度，/>表示第u个高密度区域内包含的数据点的总数量，/>表示第u个高密度区域内第v个数据点的曲率值，/>表示第u个高密度区域内第s个参考数据点的曲率值。

反映了目标数据点与位于同一个高密度区域内的其他数据点之间的曲率值的差异情况，/>反映了目标数据点与其他数据点之间曲率值的平均差异，该差异越大，说明目标数据点与其他数据点之间的特征信息的差异越大，进而说明目标数据点存在异常的可能性越大，对应的初始特征程度的取值越大。

数据点的初始特征程度表征每个数据点存在异常情况的初步分析结果，反映了数据点存在异常的可能性大小。

步骤四，根据每个数据点与该数据点所在的高密度区域内其他数据点之间的邻域距离分布差异，结合所述初始特征程度，得到每个高密度区域中每个数据点的异常程度。

初始特征程度通过分析每个数据点与相同高密度区域内其他数据点之间在邻域范围内的特征信息分布的差异情况，初步表征了每个数据点存在的异常可能性程度，进一步的，需要结合每个数据点的距离分布信息，也即结合数据点的初始特征程度，对数据点的表现出的异常特征进行补偿，即对高密度区域中数据点的异常可能性程度进行更加精确的量化。

具体地，对于任意一个高密度区域内任意一个数据点，根据数据点与相邻数据点之间的距离分布、高密度区域内其他相邻数据点之间的距离分布得到数据点的调整系数；根据所述调整系数和数据点的初始特征程度得到数据点的异常程度。

在本实施例中，以任意一个高密度区域内任意一个数据点为例进行说明，则第m个高密度区域中第n个数据点的异常程度的计算公式可以表示为：

其中，表示第m个高密度区域中第n个数据点的异常程度，/>表示第m个高密度区域中第n个数据点与第r个相邻的数据点之间的欧氏距离，R表示在第m个高密度区域中与第n个数据点相邻的数据点的总数量，/>表示在第m个高密度区域中除了第n个数据点之外的第k组两个相邻的数据点之间的欧氏距离，K表示在第m个高密度区域中除了第n个数据点之外每两个相邻的数据点的组合总数量，/>表示预设的超参数，/>表示第m个高密度区域内第n个数据点的初始特征程度，th( )表示双曲正切函数，/>表示以自然数2为底的对数函数，/>表示第m个高密度区域中第n个数据点的调整系数。

反映了与第n个数据点相邻的第r个数据点和第n个数据点之间的空间距离分布特征，/>反映了所有与第n个数据点相邻数据点和第n个数据点之间的平均距离特征值，表征了第n个数据点在邻域范围内的距离特征分布。/>反映了与第n个数据点相同的高密度区域内除了第n个数据点之外相邻的两个数据点之间的距离特征，反映了除了第n个数据点之外所有的每两个相邻的数据点之间的平均距离特征，表征了除了第n个数据点之外的其他数据点在邻域范围内的平均距离特征分布。

表示了第n个数据点相较于其他数据点在邻域范围内的距离特征分布的突出程度，该取值越大，说明第n个数据点在邻域范围内的距离特征分布与其他数据点在邻域范围内的平均距离特征分布相比越大，进而说明在第n个数据点位置处存在异常的可能性越大，对应的异常程度的取值越大。利用调整系数对数据点对应的初始特征程度进行乘积运算，调整系数越大，对应的初始特征程度越大时，说明在第n个数据点位置处存在异常的可能性越大。

在正常情况下，三维区域内数据点之间的距离特征应当较为相似，进而三维区域的数据点整体分布较为均匀，故通过比较第n个数据点与其他数据点对应的距离特征值，可以反映出在第n个数据点位置处是否存在异常情况，也即是当第n个数据点在邻域范围内的距离特征分布与其他数据点在邻域范围内的平均距离特征分布两者之间较为接近，或者取值越小时，说明第n个数据点处存在异常的可能性较小。

需要说明的是，在本实施例中，超参数的取值为0.01，实施者可根据具体实施场景进行设置为其他极小的正数，通过设置超参数避免了对数函数值为0的情况出现。同时，为了避免对数函数中真数的取值小于1的情况，利用/>为校正函数值。

同时，在每个三维区域内，任意两个相邻的数据点可以看作是一个组合，进而可以分别计算每个组合中两个相邻的数据点之间的欧氏距离，进而K表示在第m个高密度区域中除了第n个数据点之外每两个相邻的数据点的组合总数量，可以理解的是，K表示在第m个高密度区域中所有不包含第n个数据点的组合的数量。

高密度区域中数据点的异常程度结合数据点的局部曲率特征分布和数据点的局部距离特征分布，反映了数据点存在异常的可能性大小。

步骤五，利用所述异常程度对高密度区域中每个数据点进行异常检测，根据异常检测结果获得盘式制动器卡钳的三维点云数据的扫描结果。

高密度区域中数据点的异常程度取值越大，说明存在较高密度的三维区域内数据点的特征分布与其他数据点之间的特征存在的差异越大，进而说明在较高密度的三维区域内该数据点存在异常的可能性越大。高密度区域中数据点的异常程度取值越小，说明存在较高密度的三维区域内数据点的特征分布与其他数据点之间的特征存在的差异越小，进而说明在较高密度的三维区域内该数据点存在异常的可能性越小。

基于此，可以利用异常程度对高密度区域中每个数据点进行异常检测，具体地，对每个高密度区域中每个数据点的异常程度进行归一化处理，将归一化后的异常程度大于预设的异常阈值对应的高密度区域中的数据点作为异常数据点。

在本实施例中，异常阈值的取值为0.7，实施可根据具体实施场景进行设置。由于经过归一化处理后每个数据点的异常程度的取值范围为(0,1)，进而异常阈值的取值范围也就为(0,1)，当异常阈值的取值越接近于0时，说明利用异常阈值对高密度区域数据点进行异常检测的标准越宽松，当异常阈值的取值越接近于1时，说明利用异常阈值对高密度区域数据点进行异常检测的标准越严格。

当高密度区域的数据点的异常程度大于异常阈值时，说明该数据点存在异常的可能性越大，故将该数据点对应的点云数据作为异常数据，需要进行剔除操作，避免异常数据存在影响扫描数据的精度。当高密度区域的数据点的异常程度小于或等于异常阈值时，说明该数据点存在异常的可能性越小，故该数据点对应的点云数据为正常数据，不需要进行剔除操作。

具体地，在盘式制动器卡钳的三维点云数据中将异常检测结果中的异常数据点对应的三维点云数据剔除，获得盘式制动器卡钳的三维点云数据的扫描结果，有效确保了3D打印模具快速扫描方法的准确性。

综上所述，本发明首先获取3D模具的扫描数据中数据点构成的每个三维的连通区域，根据三维的连通区域内数据点的密度分布特征进行区域分类，对密度较高的三维区域进行标记，以便进一步分析较高密度分布对应的三维区域内存在异常的噪声数据的分布情况。然后根据标记的高密度区域中数据点的曲率特征初步分析每个数据点存在异常的可能性，进一步再结合每个数据点在邻域范围内的距离分布特征补偿数据点的异常特征表现程度，最终能获得标记的高密度区域中数据点的异常程度，用于表征每个数据点存在异常的可能性情况，最后可以利用异常程度对高密度区域中数据点进行筛除，获得较为准确的数据点的异常检测结果，提高了异常数据剔除后点云数据的准确度，能够有效保证3D模具的扫描数据的准确程度。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其特征在于，该方法包括以下步骤：

通过扫描盘式制动器卡钳的3D模型获取三维点云数据，对三维点云数据进行划分确定每个三维区域，所述三维区域中每个数据点对应一个三维点云数据；

根据每个三维区域内点云数据量的分布和对应的三维区域形状分布以及三维区域中相邻数据点之间的距离分布，得到每个三维区域的密度特征程度；根据所述密度特征程度对三维区域进行筛选，确定高密度区域；

根据每个高密度区域中每个数据点的邻域范围内数据点的曲面分布情况以及每个数据点和其他数据点之间的邻域特征分布差异，得到每个高密度区域中每个数据点的初始特征程度；

根据每个数据点与该数据点所在的高密度区域内其他数据点之间的邻域距离分布差异，结合所述初始特征程度，得到每个高密度区域中每个数据点的异常程度；

利用所述异常程度对高密度区域中每个数据点进行异常检测，根据异常检测结果获得盘式制动器卡钳的三维点云数据的扫描结果；

所述根据每个数据点与该数据点所在的高密度区域内其他数据点之间的邻域距离分布差异，结合所述初始特征程度，得到每个高密度区域中每个数据点的异常程度，具体包括：

对于任意一个高密度区域内任意一个数据点，根据数据点与相邻数据点之间的距离分布、高密度区域内其他相邻数据点之间的距离分布得到数据点的调整系数；根据所述调整系数和数据点的初始特征程度得到数据点的异常程度；

所述数据点的异常程度的获取方法具体为：

其中，表示第m个高密度区域中第n个数据点的异常程度，/>表示第m个高密度区域中第n个数据点与第r个相邻的数据点之间的欧氏距离，R表示在第m个高密度区域中与第n个数据点相邻的数据点的总数量，/>表示在第m个高密度区域中除了第n个数据点之外的第k组两个相邻的数据点之间的欧氏距离，K表示在第m个高密度区域中除了第n个数据点之外每两个相邻的数据点的组合总数量，/>表示预设的超参数，/>表示第m个高密度区域内第n个数据点的初始特征程度，th( )表示双曲正切函数，/>表示以自然数2为底的对数函数，/>表示第m个高密度区域中第n个数据点的调整系数。

2.根据权利要求1所述的一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其特征在于，所述根据每个高密度区域中每个数据点的邻域范围内数据点的曲面分布情况以及每个数据点和其他数据点之间的邻域特征分布差异，得到每个高密度区域中每个数据点的初始特征程度，具体包括：

将任意一个高密度区域中任意一个数据点记为目标数据点，根据目标数据点的邻域内所有数据点的分布情况获取目标数据点的曲率值；

将高密度区域内除目标数据点之外的其他数据点记为参考数据点，分别计算每个参考数据段与目标数据点之间的曲率值的差异，将高密度区域内所有参考数据点对应的曲率值的差异的均值作为目标数据点的初始特征程度。

3.根据权利要求2所述的一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其特征在于，所述根据目标数据点的邻域内所有数据点的分布情况获取目标数据点的曲率值具体为：

基于目标数据点的邻域内所有数据点的点云数据进行曲面拟合获得曲面函数，基于曲面函数获取目标数据点对应的曲率值。

4.根据权利要求1所述的一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其特征在于，所述根据每个三维区域内点云数据量的分布和对应的三维区域形状分布以及三维区域中相邻数据点之间的距离分布，得到每个三维区域的密度特征程度，具体包括：

对于任意一个三维区域，获取三维区域内数据点的总数量记为第一数值，获取三维区域的体积记为第二数值；对三维区域内每两个相邻的数据点之间的欧氏距离的均值进行负相关归一化处理得到第三数值，将第一数值与第二数值之间的比值和第三数值之间的乘积作为三维区域的密度特征程度。

5.根据权利要求1所述的一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其特征在于，所述根据所述密度特征程度对三维区域进行筛选，确定高密度区域具体为：

将所有三维区域的密度特征程度按照从小到大的顺序进行排列获取密度特征程度序列，计算密度特征程度序列中每个元素与相邻元素之间的差异得到每个元素的差异数据；

将密度特征程度序列中差异数据的最大值对应的元素记为特征元素，将密度特征程度序列中大于特征元素对应的密度特征程度对应的三维区域记为高密度区域。

6.根据权利要求1所述的一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其特征在于，所述利用所述异常程度对高密度区域中每个数据点进行异常检测具体为：

对每个高密度区域中每个数据点的异常程度进行归一化处理，将归一化后的异常程度大于预设的异常阈值对应的高密度区域中的数据点作为异常数据点。

7.根据权利要求6所述的一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其特征在于，所述根据异常检测结果获得盘式制动器卡钳的三维点云数据的扫描结果具体为：

在盘式制动器卡钳的三维点云数据中将异常检测结果中的异常数据点对应的三维点云数据剔除，获得盘式制动器卡钳的三维点云数据的扫描结果。

8.根据权利要求1所述的一种用于盘式制动器卡钳的3D打印模具快速扫描方法，其特征在于，所述对三维点云数据进行划分确定每个三维区域具体为：

对3D模型的三维点云数据进行连通域分析获得每个三维区域。